本文關(guān)鍵詞：三江源區(qū)土壤特性高光譜估算方法比較研究

  更多相關(guān)文章： 土壤特性 估算方法 高光譜數(shù)據(jù) 平滑去噪方法 特征波段選擇方法 建模方法 三江源區(qū)

【摘要】：本文以三江源為研究區(qū),以野外采集的149個(gè)表層土壤(0~30cm)樣本為數(shù)據(jù)源,從實(shí)驗(yàn)室測(cè)定的17種土壤特性(包括全氮、全碳、碳氮比、有機(jī)質(zhì)、pH值及硅、鋁、鐵、鎂、錳、砷、鉛、鋅、鎘和鉻元素)含量與土壤光譜反射率入手,經(jīng)過三種平滑方法平滑(Savitzky Golay平滑、小波變換和九點(diǎn)加權(quán)移動(dòng)平均)和一階微分變換后的光譜反射率,分別采用相關(guān)性分析法、多元逐步回歸分析以及遺傳算法,篩選主要土壤特性的特征譜段,并構(gòu)建了各種土壤特性的偏最小二乘回歸(PLSR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機(jī)(SVM)模型。確定每種土壤特性的最佳估算模型并優(yōu)選出最佳光譜平滑去噪方法以及最優(yōu)篩選特征波段方法,并與基于全波段建立的PLSR、BPNN和SVM模型做對(duì)比,研究結(jié)論如下:(1)利用Savitzky-Golay卷積平滑(SG)、小波變換(WT)和九點(diǎn)加權(quán)移動(dòng)平均(NWA)法對(duì)土壤光譜反射率進(jìn)行平滑去噪,結(jié)果表明:在本研究中WT相較于其他兩種平滑去噪方法(SG和NWA)更適合去除本研究中土壤樣本的光譜反射率噪聲;(2)基于PLSR、BPNN和SVM三種方法分別建立的光譜全波段與17種土壤特性含量之間的估算模型,結(jié)果表明模型估算能力順序?yàn)镾VM模型BPNN模型PLSR模型;土壤特性與光譜之間并非簡(jiǎn)單的線性關(guān)系,因此PLSR模型表現(xiàn)出了一定的局限性,而BPNN和SVM模型能夠較好的處理光譜與土壤特性之間的非線性關(guān)系;(3)基于三種特征波段選擇方法,即相關(guān)分析法(CA)、多元逐步回歸分析方法(SMLR)及遺傳算法(GA),分別與PLSR、BPNN和SVM方法相結(jié)合構(gòu)建的估算模型結(jié)果表明:對(duì)PLSR模型來說,GASMLRCA;對(duì)BPNN模型來說,GASMLR和CA,而SMLR與CA估算能力基本相當(dāng);對(duì)SVM模型來說,SMLRGACA。不同的建模方法與最佳模型精度特征波段挑選方法相互選擇,應(yīng)根據(jù)不同建模方法去選擇相適應(yīng)的特征波段選擇方法,總體來說GA和SMLR這兩種挑選特征波段的方法與三種建模方法所構(gòu)建的模型精度優(yōu)于CA,今后可以代替?zhèn)鹘y(tǒng)的CA法去挑選特征波段。(4)相較于全波段建模,特征波段建模精度整體比全波段建模精度低,但特征波段建模所需要的波段少、數(shù)據(jù)冗余度低、模型運(yùn)行效率快、模型更加穩(wěn)定,在該研究區(qū)能夠代替全波段建模估算土壤特性含量。(5)綜合比較全波段與特征波段的估算模型發(fā)現(xiàn),所有模型均對(duì)全氮(TN)、全碳(TC)和有機(jī)質(zhì)(SOM)具有極好的估算能力,對(duì)硅(Si)、錳(Mn)、銅(Cu)和汞(Hg)元素不具備估算能力;大多數(shù)模型對(duì)碳氮比(C:N)、pH值、鋁(Al)、鐵(Fe)、鎂(Mg)、砷(As)、鉛(Pb)、鎘(Cd)和鉻(Cr)具有粗略估算能力。故在該研究區(qū)高光譜技術(shù)對(duì)大多數(shù)土壤特性的估算起到了有效的作用,但不適合于估算土壤Si、Mn、Cu和Hg四種元素。
【關(guān)鍵詞】：土壤特性 估算方法 高光譜數(shù)據(jù) 平滑去噪方法 特征波段選擇方法 建模方法 三江源區(qū)
【學(xué)位授予單位】：青海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：S151.9
【目錄】：

• 中文摘要3-5
• Abstract5-9
• 第一章 緒論9-19
• 1.1 研究背景和意義9-10
• 1.2 高光譜遙感的發(fā)展10
• 1.3 國(guó)內(nèi)外土壤特性高光譜遙感研究文獻(xiàn)綜述10-13
• 1.4 土壤高光譜方法研究進(jìn)展13-15
• 1.5 研究目標(biāo)與研究?jī)?nèi)容15-16
• 1.5.1 研究目標(biāo)15
• 1.5.2 研究?jī)?nèi)容15-16
• 1.6 研究特色與創(chuàng)新點(diǎn)16
• 1.7 擬解決的科學(xué)問題16
• 1.8 技術(shù)路線與論文框架16-19
• 1.8.1 本文技術(shù)路線16-18
• 1.8.2 論文框架18-19
• 第二章 數(shù)據(jù)的采集與測(cè)定19-24
• 2.1 研究區(qū)概況19
• 2.2 野外土壤樣本采集及其預(yù)處理19-20
• 2.3 土壤樣品實(shí)驗(yàn)室分析20-21
• 2.3.1 SOM含量測(cè)定20
• 2.3.2 土壤TN、TC含量測(cè)定20-21
• 2.3.3 土壤pH值測(cè)定21
• 2.3.4 土壤常規(guī)及重金屬元素含量測(cè)定21
• 2.4 土壤樣品光譜反射率測(cè)定21-24
• 2.4.1 地物光譜儀21-22
• 2.4.2 室內(nèi)光譜測(cè)量22-24
• 第三章 土壤異常樣本剔除及光譜數(shù)據(jù)預(yù)處理24-36
• 3.1 土壤樣本剔除24-28
• 3.1.1 土壤屬性異常樣本識(shí)別與剔除24
• 3.1.2 土壤樣本光譜異常值剔除24-25
• 3.1.3 土壤特性含量的描述性統(tǒng)計(jì)25-28
• 3.1.4 土壤重金屬賦存特征分析28
• 3.2 土壤光譜數(shù)據(jù)預(yù)處理28-36
• 3.2.1 光譜增強(qiáng)28-30
• 3.2.2 光譜曲線去噪與平滑30-34
• 3.2.3 光譜數(shù)據(jù)重采樣34
• 3.2.4 數(shù)學(xué)變換34-36
• 第四章 模型構(gòu)建方法36-42
• 4.1 偏最小二乘回歸(Partial least squares regression，PLSR)36-37
• 4.2 BP神經(jīng)網(wǎng)絡(luò)（Error back propagation neural network，BPNN）37-38
• 4.3 支持向量機(jī)（Support vector machines，SVM）38-40
• 4.4 校準(zhǔn)樣本與驗(yàn)證樣本的選擇方法40
• 4.5 模型精度評(píng)價(jià)方法40-42
• 第五章 土壤特性光譜特征波段的選擇42-54
• 5.1 特征波段選擇方法42-45
• 5.2 結(jié)果與分析45-54
• 5.2.1 基于相關(guān)分析的特征波段的選擇45-48
• 5.2.2 基于多元逐步回歸的特征波段的選擇48-49
• 5.2.3 基于遺傳算法的特征波段的挑選49-54
• 第六章 基于全波段的土壤特性高光譜估算54-65
• 6.1 偏最小二乘回歸模型54-57
• 6.2 BP神經(jīng)網(wǎng)絡(luò)模型57-60
• 6.3 支持向量機(jī)模型60-63
• 6.4 模型估算結(jié)果的縱向?qū)Ρ?/span>63-65
• 第七章 基于特征譜段的土壤特性含量高光譜估算65-96
• 7.1 偏最小二乘回歸模型65-75
• 7.1.1 基于CA挑選特征波段建模65-68
• 7.1.2 基于SMLR挑選的特征光譜波段建模68-75
• 7.2 BP神經(jīng)網(wǎng)絡(luò)模型75-85
• 7.2.1 基于CA挑選的特征波段建模75-78
• 7.2.2 基于SMLR篩選特征波段建模78-85
• 7.3 基于支持向量機(jī)方法建模85-96
• 7.3.1 基于CA法挑選的特征波段建模85-88
• 7.3.2 基于SMLR分析法挑選的特征波段建模88-91
• 7.3.3 基于GA挑選特征波段建模91-94
• 7.3.4 基于三種特征波段挑選方法構(gòu)建的支持向量機(jī)模型方法縱向比較94-96
• 第八章 結(jié)論與展望96-102
• 8.1 討論和分析96-99
• 8.2 結(jié)論99-100
• 8.3 展望100-102
• 參考文獻(xiàn)102-109
• 致謝109-110
• 個(gè)人簡(jiǎn)歷110

，

本文編號(hào)：977997